应用边界交叉法的高超声速滑翔飞行器多目标轨迹优化

针对高超声速滑翔飞行器复杂约束条件下多目标轨迹设计问题,基于边界交叉法和伪谱法提出多目标轨迹优化方法。分析高超声速滑翔飞行器复杂约束轨迹优化问题的特点,提出多目标轨迹优化问题。采用边界交叉法和伪谱法将多目标轨迹优化问题转化为一组单目标优化子问题,利用非线性规划算法分别求解。在优化过程中,将已求解子问题的解作为下一个子问题的初始值,求解最大横程和最小峰值热流轨迹优化问题。仿真结果表明:所提方法能够有效搜索到优化轨迹的Pareto前沿,可以为高超声速滑翔飞行器轨迹设计提供参考。     

基于偏差熵的专家聚类赋权方法

在群决策专家聚类赋权过程中,可能出现专家给出的判断矩阵一致性比率与排序向量信息熵都相等但专家意见不同,却被赋予了相同权重的情况。针对上述问题,提出一种基于偏差熵的专家聚类赋权方法。该方法采用聚类分析的思想,基于比例构建相似系数,实现对专家群的分类;引入专家判断矩阵的一致性权重,并综合类容量构建权重指标来反映类别间的差异,确定专家类间权重;最后,在各专家类中建立偏差熵模型,依据类中专家达成一致性意见的贡献程度确定专家的类内权重,并得到专家的总体权重。具体算例表明,该方法可行有效。     

基于直觉模糊对称交互熵C-means聚类的反导目标识别方法研究

在不确定信息反导目标识别的背景下,针对不确定信息处理和现有的基于欧几里得距离的模糊C-means聚类算法的性能问题,首先采用直觉模糊集对其进行描述与分析,同时,将聚类目标函数中的欧几里得距离替换为模糊对称交互熵距离,提出了一种基于直觉模糊对称交互熵C-means聚类(Intuitionistic fuzzy symmetric cross entropy C-means,IFSCECM)算法,通过采用IRIS数据集算例分析对比,证实该算法的可行性和有效性.其次,根据弹道目标识别的特性,将IFSCECM算法应用于反导目标识别中,并采用多特征综合识别方法对来袭弹道目标威胁群进行分类识别研究.最后,通过仿真实验和对比分析表明该反导目标识别方法的可行性、有效性和优越性,具有较高的应用价值.     

两点源对单脉冲雷达角度欺骗干扰的仿真与分析

两点源干扰是对单脉冲雷达实施角度欺骗的重要手段,包括拖曳式诱饵,交叉眼干扰等.两点源干扰在实施过程中由于其功率比,相位差,对雷达的张角及跟踪雷达波束宽度的不同,可形成不同的干扰效果.通过计算机仿真,综合讨论了各因素对干扰效果的影响,分析了拖曳式诱饵和交叉眼干扰的干扰机理.     

基于熵理论的指挥系统拓扑结构有序度评价分析

以熵理论为基础,对抽象的指挥系统拓扑结构进行分析,从信息流的角度对指挥系统组织体系拓扑结构进行了评价;引入有序度的概念,从信息的时效和质量两个指标入手,建立了组织体系拓扑结构评价的数学模型,并对系统结构时效有序度模型进行了改进。最后,举例阐述计算方法,分析了计算结果,并指出此定量分析和一般传统定性分析的差异。     

一种双/多基地雷达时间校准的新方法

时间同步是实现双/多基地雷达的关键技术之一,提出了一种新的双/多基地雷达时间校准方法。这种方法先用短波或电视信号进行首次时间校准,再利用交叉定位距离信息对同步系统进行再次时间校准。首先建立时间校准的模型,利用交叉定位测出的双基距与实测的双基距离进行比对,得出系统的时间同步误差;然后对交叉定位距离解算及时间同步精度进行分析;最后对时间同步后目标定位性能进行了优化研究。仿真结果说明了这种方法的可行性。     

双站测向交叉定位精度分析

测向交叉定位作为一种无源定位技术而受到高度重视。通过阐述双站测向交叉定位原理,推导了该法的定位精度公式。在此基础上利用仿真实验分析了单站测角精度、站点坐标精度和基线长度等因素对定位精度的影响。研究结果为该类系统的技术作战运用提供了理论支持。     

基于地统计方法的滑坡因子敏感度分析

滑坡的发生及演化都与各种滑坡因子之间存在着一定的关联。通过滑坡因子数据探测及其与滑坡相关关系分析,结合地统计方法可确定滑坡因子的敏感度排序,从而确定因子对滑坡发生确定性的影响程度,为武警部队执勤过程中的科学调度提供重要依据。     

一种海上编队通信的反干扰效能评估方法

针对海上编队通信反干扰效能评估问题,建立了海上编队通信反干扰效能评估指标体系。利用直觉模糊集描述评估指标值,基于熵的物理意义采用模糊熵在指标权重完全未知的情况下求取指标权重,利用同时考虑指标权重和位置权重的IFHA算子集结指标信息,提供效能评估方法,并利用直觉模糊数排序方法比较待评估方案优劣,对方法进行了实例分析。所提供的方法很大程度克服了评估过程中主观因素的影响,对研究类似问题具有借鉴意义。     

一种基于模糊熵的特征选择算法

特征选择是模式识别中的一个重要组成部分。针对分类边界模糊的样本集,将模糊集的理论应用到特征选择中,通过对特征进行模糊化,定义一种模糊熵来度量特征的分类区分度,再采用相关系数度量特征间的冗余度,建立判定树。则树中的节点即为选择出的特征,树枝为特征的隶属度函数,且通过判定树进行的分类可以实现样本识别的模糊化。